Ableitung von Wirkzusammenhängen zur Wirkflächenauslegung auf Basis einer datengetriebenen Prozessmodellierung für das Feinschneiden

• Auslegung der Wirkflächen beim Feinschneiden zur Optimierung der Schnittteilqualität durch Verknüpfung von Prozessdaten mit empirischem und physikalischem Wissen
• Nutzung von zeit- und ortsabhängigen Prozessdaten zur vorausschauenden Bewertung der Schnittteilqualität durch KI-gestützte Modelle
• Entwicklung von Methoden, die KI-Modelle für Feinschneidprozesse erklären und interpretieren können, um die Zuverlässigkeit und Anpassungsfähigkeit zu verbessern

Das Ziel des Vorhabens ist die Entwicklung einer Data-to-Knowledge-to-Tool-Pipeline, welche ein methodisches Vorgehen darstellt, mit welchem Wissen zu Wirkzusammenhängen von Werkzeugwirkflächen und Schnittteilqualität beim Feinschneiden aus Prozessdaten und bisher nicht erklär- und vorhersagbarem Prozessrauschen gewonnen werden kann. Input für diese Pipeline sind empirisches und formalisiertes Wissen, Prozesssignale sowie Qualitätsmessungen relevanter Zielgrößen in Form der resultierenden Schnittflächenqualität. Die Modellierung erfolgt unter Nutzung von daten-zentrierter KI (Unsupervised Learning) für Mustererkennung sowie physik-orientierter KI (Supervised Learning) für erklärbare Vorhersagen. Output dieser Modelle sind effiziente, digitale Repräsentationen und Hypothesen über die Wirkzusammenhänge der Wirkflächen Schneidspalt sowie Fase und Ringzacke an der Schneidplatte und deren Einfluss auf die Schnittteilqualität beim Feinschneiden.

Ergebnis ist eine Verknüpfung von Prozessdaten mit empirischem und formalisiertem physikalischem Wissen zu prozesstechnischen Gesetzmäßigkeiten beim Feinschneiden, sodass bislang unbekannte Ursache-Wirkzusammenhänge und nichtlineare Effekte zur Auslegung von Wirkflächen beim Feinschneiden einbezogen werden können. Eine Kombination aus umformtechnischem Prozesswissen mit daten-zentrierten und physik-orientierten KI-Ansätzen ermöglicht die Ableitung von Ursache-Wirkzusammenhängen.